基于DCGAN深度学习神经网络图片生成/图像风格转换

程序代码：

https://download.csdn.net/download/do_it_123/88935851

DCGAN网络框架:

这里使用的是一组二次元动漫头像的数据集， 共 51223 张图片，无标注信息，图片主体已裁剪、 对齐并统一缩放到96 × 96大小,部分图片如下:

生成器 

生成网络 G 由 5 个转置卷积层单元堆叠而成，实现特征图高宽的层层放大，特征图通道数的层层减少。 首先将长度为 100 的隐藏向量通过 Reshape 操作调整为[b,1,1,100]的 4维张量，并依序通过转置卷积层，放大高宽维度，减少通道数维度，最后得到高宽为 64，通道数为 3 的彩色图片。每个卷积层中间插入 BN 层来提高训练稳定性，卷积层选择不使用偏置向量。 

判别器 

判别网络 D 与普通的分类网络相同，接受大小为[b,64,64,3]的图片张量，连续通过 5个卷积层实现特征的层层提取，卷积层最终输出大小为[b,2,2,1024]，再通过池化层GlobalAveragePooling2D 将特征大小转换为[b，1024]，最后通过一个全连接层获得二分类任务的概率。

训练与可视化

判别网络 判别网络的训练目标是最大化L函数，使得真实样本预测为真的概率接近于 1，生成样本预测为真的概率接近于 0。我们将判断器的误差函数实现在 d_loss_fn 函数中， 将所有真实样本标注为 1， 所有生成样本标注为 0，并通过最小化对应的交叉熵损失函数来实现最大化L函数。 生成网络 生成网络的训练目标是最小化L函数，使得生成样本预测为真的概率接近于 1。

网络训练 在每个 Epoch， 首先从先验分布中随机采样隐藏向量，从真实数据集中随机采样真实图片，通过生成器和判别器计算判别器网络的损失，并优化判别器网络参数。 在训练生成器时，需要借助于判别器来计算误差，但是只计算生成器的梯度信息并更新。这里设定判别器训练次k=5后，生成器训练一次。 

备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

创作不易，相关程序，说明文档需求，如需要，可加作者新联系方式，WX：Q3101759565，QQ：3101759565[多加几次！！！]

祝您学业有成！工作顺利！ 年薪百万!